Integrative LogitBoost 算法及其在癌症特征基因选择中的应用.pdfVIP

中文摘要 基因研究的进步和成熟使得人们可以利用基因微阵列技术在染色体组的尺 度上描述人体组织。这一项技术被广泛地应用在癌症的研究上，其中一个挑战 性课题是癌症的特征基因选取和肿瘤样本分类问题。由于基因实验的昂贵性， 微阵列数据通常呈现出高维度、低样本量的特征，构成了统计分析上的大 N 小 p 现象。为缓解大 N 小p 带来的低统计效力问题，可以从两个角度切入:一是提 取有效的特征基因；二是增大样本量。常用的特征基因提取方法有过滤式算法、 封装式算法和嵌入式算法。嵌入式算法将变量选择嵌入到分类器的构造过程中， 因此具有分类模型和变量选择方法的互动的优势，在三种方法中效率最高的。 另一方面，可以通过综合分析多个数据库中的信息，间接增大样本量。Ma 和 Huang ，2009 提出了 MTGDR 算法，该算法通过将不同数据库中同一基因的边 际影响相加的方法利用多个数据库中的信息。借鉴 MTGDR 算法的思路，本文 设计了 Integrative LogitBoost 算法(ILB)，该算法是 LogitBoost 算法在多个数据 库分析中的推广。另外，由于嵌入式方法中的带惩罚项的方法在近来的研究中 尤为瞩目，能选择出更加稀疏的系数。本文结合 Sparse L2Boosting 算法的设计 思想，对 ILB 算法的目标函数添加了 gMDL 信息量作为 l0 惩罚项，设计了基于 多数据库分析的 Integrative Sparse LogitBoost 算法（ISLB ）。ILB 算法和 ISLB 算 法以逐元最小二乘回归为基函数，同时为了避免交叉验证带来的复杂计算量， ILB 算法和 ISLB 算法都使用 gMDL 准则为停止准则。 文章通过模拟数据检验 ILB 算法和 ISLB 算法的效果。研究表明 MTGDR 算法受样本量影响最小，最为稳健，而且 MTGDR 算法尤其适用于基因表达水 平比较低的场合。当基因表达水平显著时，ISLB 算法亦对样本量的影响很稳健， 并在样本量充分的场合下优于 MTGDR 算法。但是当基因表达水平比较低时， ISLB 算法的效果不理想。ILB 算法选择出来的正确基因数量水平略低于 MTGDR 算法，但是选择出来假阳性基因数量太多，即误选率高。通过改进 gMDL 准则，增大模型选择成本的权重，ILB 算法的效果有明显改进。改进后的 ILB 算 法和 ISLB 算法同时应用于胰腺癌的数据，挖掘出了具有生物学意义的显著基 因。 关键词： 基因微阵列、特征选择、综合分析、逐元最小二乘、Boosting 、gMDL 准则、 MTGDR 、惩罚性方法、ILB 算法、ISLB 算法 Abstract The leap in microarray gene research makes available the measure technique in human issues. Microarray gene data is extensively used in cancer research, such as early detection, therapy establishment and prediction, of which feature gene expression selection and cancer classification are most challenging. Due to the prohibitively high cost of gene experiment, most microarray data in a single study is characterized by high dimension and low sample size, which constitute as